PowerPoint Presentation · PPT file · Web view2015-01-13 · Keterangan Rumus : X = Rata-rata...

STMIK TRIGUNA DHARMA

Langkah Pasti Menuju Sukses

Data Mining

Dicky Nofriansyah, S.Kom., M.Kom

Materi : Clustering Hierarki

Algoritmatif



Metode-Metode Terkait Pengelompokan Hierarki AglomeratifKunci operasi metode AHC (Algoritma Hierarki Cluster)

adalah penggunaan ukuran kedekatan (proximity) diantara dua kelompok” (Hartini dalam Prasetyo, 2012 : 214). Ada tiga tehnik kedekatan yang dijelaskan disini:

Single Linkage Complete Linkage

Average Linkage


• Jarak Terdekat atauTautan tunggal memberikan hasil bila kelompok-kelompok digabungkan menurut jarak antara anggota-anggota yang terdekat diantara dua kelompok.

Single Linka

ge• Jarak Terjauh atau Tautan lengkap

terjadi bila kelompok-kelompok digabungkan menurut jarak antara anggota-anggota yang terjauh di antara dua kelompok.

Complete

Linkage• Jarak Rata-rata atau Tautan rata-rata

digabungkan menurut jarak rata-rata pasangan-pasangan anggota masing-masing pada himpunan di antara dua kelompok

AverageLinkage



Tehnik Pengukuran JarakAda beberapa macam ukuran jarak yang biasa dipakai dalam analisis cluster, diantaranya :

Eucladian Distance

Manhattan

Pearson



1. Pembentukan kelompok tergantung apakah jarak dari objek kekelompok pertama lebih dekat dibandingkan dengan jarak objek tersebut dengan objek lainnya yang belum terkelompok

Keterangan Rumus : X = Rata-rata data XXi = Data X ke-iN = Banyak data XStd (X) = Standar deviasi data X Zi = Data standar (skor standar) X ke-i



2. Menentukan ukuran kemiripan atau ketidakmiripan antar data dengan metode jarak Euclidean

n

dAB = ∑ | x1 - y1 |2

i = 1Keterangan Rumus : dAB = Ukuran kemiripan / ketidakmiripan antara objek ke-x dengan objek ke-y.



Sampel Kasus:Analisis cluster termasuk dalam analisis multivariat yang mewakili seluruh hubungan interdependensi, tidak ada perbedaan variabel bebas dan variabel tidak bebas (independent and dependent variables) dalam analisis ini. Analisis cluster adalah teknik yang digunakan untuk mengidentifikasi objek atau individu yang serupa dengan memperhatikan beberapa kriteria.


No Lagu Waktu Putar

Negara Asal

Genre Musik

1Timmy Thomas - You Are All I Need

05.00 - 05.59 Barat Pop

2Lighthouse Family - Ain't No Sunshine

06.00 - 06.59 Barat AudioPhille

3Cake - I Will Survive 07.00 -

07.59 Barat Pop Mix

4Anggun - Still Reminds Me 08.00 -

08.59 Indonesia Pop

5Aloe Blacc - Hello World 09.00 -

09.59 Barat Pop

6One Direction – Story of My Life 10.00 -

10.59 Barat Pop Mix

7Rihanna - Diamonds 11.00 -

11.59 Barat R & B

8Hayley Westenra - Prayer 12.00 -

12.59 Barat AudioPhille

9Feel Fascinated - Peng You 13.00 -

13.59 Chinese Mandarin

10Lisa Ono - I Feel Good 14.00 -

14.59 Barat Jazz

11James Morrison – I Won't Let You Go

15.00 - 15.59 Barat Pop

12Nidji - Laskar Pelangi 16.00 -

16.59 Indonesia Pop

13Jason Mraz - Im Yours 17.00 -

17.59 Barat Pop

14Titi DJ - Tak Kan Ada Cinta Yang Lain

18.00 - 18.59 Indonesia Pop

15The Beatles - Dont Let Me Down 19.00 -

19.59 Barat Pop

16Diana Krall - All Night Long 20.00 -


17Cymande - Brother On The Side 21.00 -

21.59 Barat Jazz

18Maliq&D'essentials - Terdiam 22.00 -

22.59 Indonesia Pop

19Norah Jones - Don't Know Why 23.00 -


20Citra Shcolastika 24.00 -

00.59 Indonesia Jazz



Maka berdasarkan data music playlist diatas terlebih dahulu dikelompokkan sesuai set objek dan variabelnya beserta asumsi nilai yang dipergunakan seperti pada tabel-tabel berikut

Data KategoriLagu Objek

Waktu Putar Variabel 1 (x1)Negara Asal Variabel 2 (x2)Genre Musik Variabel 3 (x3)

Tabel Set Objek Dan Variabel

No Objek Asumsi

1 Timmy Thomas - You Are All I Need A

2 Lighthouse Family - Ain't No Sunshine B3 Cake - I Will Survive C4 Anggun - Still Reminds Me D5 Aloe Blacc - Hello World E6 One Direction – Story of My Life F7 Rihanna - Diamonds G8 Hayley Westenra - Prayer H9 Feel Fascinated - Peng You I

10 Lisa Ono - I Feel Good J11 James Morrison – I Won't Let You Go K13 Jason Mraz - Im Yours M14 Titi DJ - Tak Kan Ada Cinta Yang Lain

N15 The Beatles - Dont Let Me Down O16 Diana Krall - All Night Long P17 Cymande - Brother On The Side Q18 Maliq&D'essentials - Terdiam R19 Norah Jones - Don't Know Why S20 Citra Scholastika T

Tabel Asumsi Objek



X1 NilaiPagi (05.00 - 10.59) 1Siang (11.00 - 14.59) 2Sore (15.00 - 18.59) 3Malam (19.00 - 00.59) 4

Tabel Asumsi Waktu Putar Tabel Asumsi Negara Asal

X2Nila

iBarat 1Indonesia 2Chinese 3



Genre Musik (V3) Nilai

Pop 6AudioPhille 5Pop Mix 4R & B 3Jazz 2Mandarin 1

Tabel Asumsi Genre MusikDalam tabel-tabel diatas dapat dilihat bahwa objek atau lagu dimisalkan dengan huruf (A, B, C, D dan seterusnya) dan variabel dimisalkan dengan kode (x1, x2 dan x3) begitu juga dengan nilai asumsi adalah sebagai perumpamaan, agar mempermudah perhitungan



Setelah pengelompokkan objek dan variabel nilai, maka langkah selanjutnya adalah melakukan perhitungan sesuai algoritma yang dipilih. Namun untuk menghindari terjadinya kesalahan, terlebih dahulu beberapa tabel asumsi diatas digabungkan menjadi satu tabel yang lebih terperinci seperti berikut ini

Tabel Asumsi Data dan VariabelnyaNo Objek X1 X2 X31 A 1 1 62 B 1 1 53 C 1 1 44 D 1 2 65 E 1 1 66 F 1 1 47 G 2 1 38 H 2 1 59 I 2 3 1

10 J 2 1 211 K 3 1 612 L 3 2 613 M 3 1 614 N 3 2 615 O 4 1 616 P 4 1 517 Q 4 1 218 R 4 2 619 S 4 1 520 T 4 1 2


Algoritma Single Linkage Method Dengan Jarak Euclidean Distance1. Menstandarisasi data-data yang terkumpul dalam tabel menggunakan

rumus-rumus yang telah tersedia :a. Mencari rata-rata data dari setiap variabel


b. Mencari standar deviasi data dari setiap variabel



c. Mencari skor standar (zero standar) dari masing-masing objek setiap variabel.

Objek X1 X2 X3A -1,214 -0,509 0,824B -1,214 -0,509 0,236C -1,214 -0,509 -0,353D -1,214 1,188 0,824E -1,214 -0,509 0,824F -1,214 -0,509 -0,353G -0,405 -0,509 -0,942H -0,405 -0,509 0,236I -0,405 2,884 -2,120J 0,405 1,188 -1,531K 0,405 -0,509 0,824L 0,405 1,188 0,824M 0,405 -0,509 0,824N 0,405 1,188 0,824O 1,214 -0,509 0,824P 1,214 -0,509 0,236Q 1,214 -0,509 -1,531R 1,214 1,188 0,824S 1,214 -0,509 0,236

Tabel Data Music Playlist Standar


2. Menentukan ukuran kemiripan atau ketidakmiripan antara data dengan jarak Euclidean distance.

Tabel Matriks Jarak



3.Melakukan algoritma pengelompokkan euclidean single linkage clustering, dengan langkah-langkah sebagai berikut :

a.Mencari nilai terkecil dari matriks jarak. ACEFKLMNPQST mempunyai nilai terkecil yakni 0, maka objek ini menjadi satu cluster.

b. Menghitung jarak antar cluster ACEFKLMNPQST dengan objek lainnya.


d(ACEFKLMNPQST)B = min {dAB,dCB,dEB,dFB,dKB,dLB,dMB, dNB,dPB,dQB,dSB,dTB} = dAB,dCB,dEB,dFB = 0,589

d(ACEFKLMNPQST)D = min {dAD,dCD,dED,dFD,dKD,dLD,dMD,dND,dPD,dQD,dSD,dTD} = dLD,dND = 1,619

d(ACEFKLMNPQST)G = min {dAG,dCG,dEG,dFG,dKG,dLG,dMG, dNG,dPG,dQG,dSG,dTG} = dCG,dFG = 1,001

d(ACEFKLMNPQST)H = min {dAH,dCH,dEH,dFH,dKH,dLH,dMH, dNH,dPH,dQH,dSH,dTH} = dAH,dCH,dEH,dFH,dKH,dMH = 1,001

d(ACEFKLMNPQST)I = min {dAI,dCI,dEI,dFI,dKI,dLI,dMI,dNI,dPI,dQI,dSI,dTI} = dLI,dNI = 3,493



d(ACEFKLMNPQST)J = min{dAJ,dCJ,dEJ,dFJ,dKJ,dLJ,dMJ,dNJ,dPJ,dQJ,dSJ,dTJ} = dQJ, dTJ = 1,880

d(ACEFKLMNPQST)O = min{dAO,dCO,dEO,dFO,dKO,dLO,dMO,dNO,dPO,dQO,dSO,dTO} = dPO,dSO = 0,589

d(ACEFKLMNPQST)R = min {dAR,dCR,dER,dFR,dKR,dLR,dMR,dNR,dPR,dQR,dSR,dTR} = dLR,dNR = 0,809

Setelah melakukan perhitungan diatas, maka terbentuk matriks jarak yang baru yang menjadi sebuah cluster antara ACEFKLMNPQST pada table di bawah, yaitu cluster 1.

ACEFKLMNPQS

T

B D G H I J O R

ACEFKLMNPQST 0 0,589 1,619 1,00

11,00

1 3,493 1,880 0,589 0,809

B 0,589 0 1,766 1,575

1,046 4,212 2,989 2,511 3,013

D 1,619 1,766 0 2,644

2,053 3,541 2,931 2,955 2,441

G 1,001 1,575 2,644 0 1,178 3,533 1,899 2,251 2,800

H 1,001 1,046 2,053 1,178 0 4,080 2,526 1,514 2,251

I 3,493 4,212 3,541 3,533

4,080 0 1,899 4,659 3,659

J 1,880 2,989 2,931 1,899

2,526 1,899 0 2,968 2,456

O 0,589 2,511 2,955 2,251

1,514 4,659 2,968 0 1,665

R 0,809 3,013 2,441 2,800

2,251 3,659 2,456 1,665 0

Tabel Cluster 1

c. Mencari nilai terkecil dari matriks jarak, objek ACEFKLMNPQST dan BO yang memiliki nilai terkecil yaitu 0,589. Maka ACEFKLMNPQST dan BO bergabung menjadi satu cluster baru.

d(ACEFKLMNPQST-BO)D = min{dACEFKLMNPQST-D, dBD, dOD} = dACEFKLMNPQST-D = 1,619d(ACEFKLMNPQST-BO)G = min{dACEFKLMNPQST-G, dBG, dOG}

= dACEFKLMNPQST-G = 1,001d(ACEFKLMNPQST-BO)H = min{dACEFKLMNPQST-H, dBH, dOH}

= dACEFKLMNPQST-H = 1,001d(ACEFKLMNPQST-BO)I = min {dACEFKLMNPQST - I, dBI, dOI}

= dACEFKLMNPQST-I = 3,493d(ACEFKLMNPQST-BO)J = min { dACEFKLMNPQST - J, dBJ, dOJ}

= dACEFKLMNPQST-J = 1,880d(ACEFKLMNPQST-BO)R = min{dACEFKLMNPQST-R, dBR, dOR}

= dACEFKLMNPQST-R = 0,809



Setelah pengelompokkan tersebut maka terbentuk matriks jarak baru yang menjadi sebuah cluster antara ACEFKLMNPQST dan BO seperti pada table di bawah yaitu cluster 2.

ACEFKLMNPQSTBO D G H I J R

ACEFKLMNPQSTBO 0 1,61

91,00

1 1,001 3,493

1,880 0,809

D 1,619 0 2,644 2,053 3,54

12,93

1 2,441

G 1,001 2,644 0 1,178 3,53

31,89

9 2,800

H 1,001 2,053

1,178 0 4,08

02,52

6 2,251

I 3,493 3,541

3,533 4,080 0 1,89

9 3,659

J 1,880 2,931

1,899 2,526 1,89

9 0 2,456

R 0,809 2,441

2,800 2,251 3,65

92,45

6 0

Tabel Cluster 2

d. Setelah itu kembali lagi mencari nilai terkecil dari matriks jarak, untuk objek ACEFKLMNPQSTBO dan R yang memiliki nilai terkecil yaitu 0,809. Maka objek ACEFKLMNPQSTBO dan R akan bergabung menjadi satu cluster

d(ACEFKLMNPQSTBO - R)D =min {dACEFKLMNPQSTBO-D,dRD}= dACEFKLMNPQSTBO-D = 1,619

d(ACEFKLMNPQSTBO - R)G =min {dACEFKLMNPQSTBO-G,dRG}= dACEFKLMNPQSTBO-G = 1,001

d(ACEFKLMNPQSTBO - R)H =min {dACEFKLMNPQSTBO-H,dRH}= dACEFKLMNPQSTBO-H = 1,001

d(ACEFKLMNPQSTBO - R)I = min {dACEFKLMNPQSTBO-I, dRI}= dACEFKLMNPQSTBO-I = 3,493

d(ACEFKLMNPQSTBO - R)J = min {dACEFKLMNPQSTBO-J, dRJ}= dACEFKLMNPQSTBO-J = 1,880



ACEFKLMNPQSTBORGHDJ I

ACEFKLMNPQSTBORGHDJ 0

1,899

I 1,899 0

Cluster Akhir



Berdasarkan tabel matriks jarak diatas, dari pengelompokan euclidean distance yang dilakukan telah sesuai dengan langkah-langkah dalam pengelompokkan tehnik tersebut. Sebab, telah tersisa 2 objek dalam satu cluster, yakni

ACEFKLMNPQSTBORGHDJ dan I



SEKIAN DAN

TERIMA KASIH

PowerPoint Presentation · PPT file · Web view2015-01-13 · Keterangan Rumus : X = Rata-rata...

Documents

Transcript of PowerPoint Presentation · PPT file · Web view2015-01-13 · Keterangan Rumus : X = Rata-rata...